基于红外图像识别的输电线路故障诊断

红外图像中输电线路故障的准确识别一直是困扰检测人员的难题。本文借助红外成像仪获取输电线路温升变化图像,从分析输电线路红外图像的特征入手,通过比较各颜色空间的优缺点,应用HSI颜色空间转换获得图像边缘信息,借助中值滤波保持边缘信息的优势,利用改进的中值滤波排除干扰,采用梯度法提取其中的温度最高区域,从而迅速准确地诊断输电线路温升故障。以输电线路的红外图像为例,验证了HSI空间梯度法识别温度最高区域的可行性和有效性。     

输电线路雷击故障定位与识别

雷击故障是输电线路的主要故障,准确定位雷击故障并识别雷击故障能有效提高和改进输电线路的雷击可靠性水平。针对国内现有雷电故障指示装置不能有效识别雷击性质的不足,研究了雷击闪络后的电流信号特征及输电线路发生反击和绕击时的电位变化特征,提出了一种新的雷击故障定位与识别方法,同时开发出了输电线路雷电故障指示装置。仿真试验和实际运行结果表明,采用雷击闪络后的电流信号与输电线路发生绕击和反击时的电压信号相结合的方法能有效地进行雷击故障的定位与识别。     

基于多尺度行波功率的T接线路故障识别方法

为提高T接输电线路故障识别算法的精确性与可靠性,提出了一种基于多尺度行波有功功率和概率神经网络的T接输电线路故障识别方法。基于S变换分别计算区内3个行波保护单元多频率下的初始行波平均有功功率,并以此组成T接输电线路故障特征向量样本集。建立概率神经网络故障识别模型,并利用T接线路故障特征样本集对其进行训练和测试,从而识别出故障所在支路。仿真结果表明,所提算法在各种工况下均能快速准确地识别T接输电线路区内外故障所在支路,在近O点故障、数据丢失、噪声影响、CT饱和等情况下也能较好地识别故障支路。     

小波变换和BP网络在输电线路故障类型识别中的应用

提出了基于小波变换和BP网络的输电线路故障类型识别方法。建立了基于Matlab仿真技术的输电线路模型,根据模型提取故障前后的三相电流和零序电流信息,经过小波变换输入BP神经网络,BP网络的输出即为故障类型识别的结果。仿真结果表明,故障定位方法准确可靠。     

基于小波变换和BP网络的输电线路故障类型识别

提出了基于小波变换和BP网络的输电线路故障类型识别方法。建立了基于Matlab仿真技术的输电线路模型,根据该模型,提取故障前后的三相电流和零序电流信息,经过小波变换输入BP神经网络,BP网络的输出即为故障类型识别的结果。仿真结果表明,该故障定位方法准确可靠。     

基于小波变换和BP网络的输电线路故障类型识别

提出了基于小波变换和BP网络的输电线路故障类型识别方法.建立了基于Matlab仿真技术的输电线路模型,根据该模型,提取故障前后的三相电流和零序电流信息,经过小波变换输入BP神经网络,BP网络的输出即为故障类型识别的结果.仿真结果表明,该故障定位方法准确可靠.     

基于深度学习的输变电设备异常发热点红外图片目标检测方法

随着红外热成像检测技术在变电站巡检机器人及输电线路无人机等检测平台的广泛应用,大量输变电设备红外异常发热故障的红外图片需要人工定期进行评估诊断,亟待需要智能算法对图片进行智能诊断。当前经典的机器学习算法难以有效识别输变电设备红外图像故障异常发热点。基于人工智能深度学习理论,本文采用了深度学习算法体系中基于区域建议网络的Faster RCNN算法实现对输变电红外图像发热故障的检测、识别及定位。本文以红外热成像仪采集到的输变电设备发热故障图像库为基础,对数据集进行人工标注包围框,通过交替训练构建网络共享参数,构建输变电设备异常发热红外智能检测模型。所描述的方法为输变电设备红外热成像智能检测提供了新思路。     

基于CNN-BiGRU的高压直流输电线路故障识别

针对高压直流(high voltage direct current, HVDC)输电线路故障暂态行波具有时序性和强非线性的特点,导致高过渡电阻情况下故障识别率低的问题,提出基于卷积神经网络(convolutional neural networks, CNN)和双向循环门单元(bidirectional gate recurrent unit, BiGRU)的HVDC输电线路故障识别方法。首先,采用故障后整流侧的双极暂态电流行波作为特征向量,利用CNN提取全局特征,并从中剔除噪声和不稳定成分,完成对数据的降维处理。然后,采用BiGRU来捕获CNN提取到特征的前后时间信息,进一步提取数据中的时序特征,以实现HVDC输电线路故障识别。仿真结果表明：该方法可在不同故障地点以及不同过渡电阻下对单极接地、双极短路、雷击故障、雷击干扰共四种故障实现准确识别,可靠性高,具有较强的耐受过渡电阻能力,同时具备一定的抗噪性能。     

输电线路覆冰垭口微地形的特征提取与识别方法

输电线路覆冰是中国电力系统安全稳定运行的严重威胁。针对输电线路覆冰微地形区域分类主观性强的问题,结合数字高程模型（digital elevation model,DEM）和江西省覆冰灾害故障统计数据,对输电线路走廊垭口微地形开展了识别研究,提出了一组垭口微地形的识别指标,对提取样本区域进行了特征提取。在此基础上,提出了一种输电线路走廊垭口地形识别方法,并验证了所提取的垭口地形特征与识别方法的有效性。研究成果可以为输电线路防冰的差异化设计提供参考。     

基于红外多谱技术的铁路输电线路故障检测

针对当前铁路输电线路故障检测误差大、准确度低等不足,提出了基于红外多谱的铁路输电线路故障检测方法。首先利用红外多谱技术采集铁路输电线路图像,从图像中提取铁路输电线路故障特征,然后采用主成分分析算法对铁路输电线路故障特征进行筛选,得到最优检测特征向量,最后采用支持向量机对铁路输电线路故障检测样本进行学习,得到铁路输电线路故障检测的分类器,并进行了铁路输电线路故障检测验证性实验,该方法的铁路输电线路故障检测率超过了90%,铁路输电线路故障的误检率和漏检率大幅度减少,故障检测时间短,整体效果要优于当前其他检测方法,是一种效率高、结果优的铁路输电线路故障检测方法。     

基于故障数据的线路分布参数时域辨识方法

针对目前基于故障数据的频域辨识方法难以精确辨识线路分布参数的问题,基于线路分布参数时域模型,提出了一种更精确的分布参数辨识方法。该方法利用线路两端采集的故障电压电流信号,在时域内通过最小二乘搜索法辨识得到线路参数,避免了频域法向量转换导致的误差。并采用瞬时对称分量法提取序分量,实现时域内分别对正序和零序参数的辨识;采用LOWESS方法平滑故障信号中的噪声,以提高算法的抗干扰性。仿真算例的结果表明,所提出的方法能够准确辨识线路的分布参数,并且对各种故障条件均具有良好的适应性。     

基于FastICA的输电线路行波故障测距方法

为了解决输电线路故障信号存在抵偿效应导致测距精度不足的问题,建立线性瞬时混合的线路模型。采用快速独立成分分析法(FastICA)对采集的多通道线路故障原始数据(观测信号)进行相关分析,将表征故障特征的各分量逐一提取。以能量比函数对故障分量进行求解,设定能量比阈值以定位故障时刻,实现基于行波原理的线路精确测距。大干扰条件下故障特征受噪声信号干扰,会对测距精度产生影响。对此,FastICA算法能将噪声信号从故障原始数据中分离,避免噪声对测距过程产生的影响,进一步提高测距精度。仿真实验证明:所提出的方法能有效避免噪声干扰的影响,能适应大干扰条件下的故障测距,具有较好的抗干扰性。     

基于模型识别的交直流混联输电系统时域双端量选相方法

针对传统单端量选相元件在交直流混联系统受端交流长线路不适用的问题,文中提出基于模型识别的时域双端量选相方法。首先,利用模型识别的思想,研究故障期间受端带并联电抗器的交流长线路非故障相和故障相的时域模型,经分析可知,非故障相的差动电流和差动电压满足电容模型而故障相不满足。其次,通过Spearman等级相关系数计算各相的电容模型符合度,与门槛值对比进行故障选相。最后,在PSCAD/EMTDC 中搭建交直流混联系统模型,从故障类型、故障位置、过渡电阻、采样频率以及噪声干扰等方面对所提故障选相方法进行仿真验证。结果表明,该故障选相方法在受端交流线路各位置故障期间均能快速准确地选出故障相,不依赖直流侧电源特性、不受并联电抗器的影响,并具有较好的抗过渡电阻和抗干扰性能。     

基于暂态电流Pearson相关性的两电平VSC-HVDC直流线路故障判别

为提高柔性直流(VSC-HVDC)输电系统的直流线路故障处理能力,提出了一种基于暂态电流相关性的直流线路故障判别方法。直流线路发生区内、外故障时,直流线路两端的电容支路暂态电流与直流线路入口处暂态电流特征差异明显;利用Pearson相关系数来描述电容支路与线路入口处暂态电流的差异程度,直流线路故障的判别仅通过线路两端计算的暂态电流Pearson相关系数即可实现。该故障判别方法可克服非故障线路馈入电流的影响,适用于两端以及多端柔性直流输电系统。分析和仿真结果表明,该故障判别方法不受高频分量、数据同步、故障位置与类型、噪声干扰以及控制方式等因素的影响,能准确地识别直流线路区内、外故障,实现故障线路的选择。     

基于VMD和柔性形态学的输电线路故障测距方法

针对输电线路故障测距和信号中存在噪声干扰的问题,提出了基于VMD和柔性形态学去噪技术的输电线路故障测距方法。首先利用变分模态分解(Variational Modal Decomposition,VMD)对信号进行分解,在分解过程中自适应的去除一部分噪声;然后,通过平均柔性形态学滤波器进一步的去除残余干扰;最后使用柔性形态边缘检测有效放大信号奇异点,再设定输出阈值减少噪声背景对信号突变点的影响,可以很清晰的得到故障发生时刻。实验表明此方法有很好的噪声鲁棒性,在抑制了噪声干扰的同时放大了行波特征信号,能够有效检测输电线路故障行波波头,获得更高的检测精度。     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。     

基于平滑阈值函数的分布式光纤雷击定位方法

分布式光纤线路经常暴露在复杂的地形条件下,长时间经受雷击等自然因素的侵害。光纤信号传输过程中伴随着扰动信号以及噪声干扰,不能准确监测到输电线路的实际运行状态,进行故障准确定位。针对分布式光纤网络雷击定位准确度不高的问题,构造了一个新的平滑阈值函数。该阈值函数整体平滑连续可导,提高了去噪后信号的质量。通过该函数对输电线路监测的温度信号进行小波去噪,得出线路的沿线分布准确温度值并对故障位置进行精准定位。仿真结果表明,平滑阈值函数相比于传统阈值函数,可以获取更优良的去噪效果,提高了传输信号的信噪比,降低了均方根误差。改善现有电力系统网络雷击故障定位检测精度的不足,提高排除线路雷击故障的精确度,减少故障定位所需的时间。     

基于光谱和雷达的输电线路树障遥测技术研究

输电线路树障是威胁输电网安全运行的重要因素,为实现输电线路树障的高效、广域监测,文中研究了基于高光谱图像的输电线路树障区域植被类型识别以及基于雷达卫星影像的输电线路植被高度检测。首先通过机载高光谱识别树障分布区域,完成了航拍图像的树障区域类型识别,选取输电线路验证了高光谱用于树障区域植被类型识别的可行性。然后,研究了一种改进三阶段植被高度反演算法,基于算法提出了一种输电线路植被高度检测方法,利用SAR影像数据,结合植被类型识别结果进行了工程应用分析。结果表明：高光谱识别输电线路植被准确率最高可达97.5%,SAR影像检测植被高度精度最高可达86.72%,文中方法能较准确地检测输电线路树障植被类型及高度。     

远程无线抄表系统设计与实现

针对现有的自动抄表方案成本高、功耗大、组网规模小、线路干扰等问题,提出了一种新的无线抄表方案。结合ZigBee技术与GPRS网络,设计了一套远程无线抄表系统,局域网络采用ZigBee短距离无线通信技术,广域网络采用GPRS远程无线通信技术,组建的系统具有低成本、低功耗、自组网和自适应等特点,而且有较强的可移植性和兼容性。现场测试结果表明,该无线抄表系统能够快速准确地完成数据采集和传输任务,并具有较强的抗干扰能力和广泛的适用范围。